web-dev-qa-db-fra.com

Comment puis-je sous-définir des lignes dans un cadre de données dans R basé sur un vecteur de valeurs?

J'ai deux ensembles de données qui sont supposés être de la même taille mais ne le sont pas. Je dois rogner les valeurs de A qui ne sont pas dans B et vice versa pour éliminer le bruit d'un graphique entrant dans un rapport. (Ne vous inquiétez pas, ces données ne sont pas supprimées définitivement!)

J'ai lu le texte suivant:

Mais je ne parviens toujours pas à faire en sorte que cela fonctionne correctement. Voici mon code:

bg2011missingFromBeg <- setdiff(x=eg2011$ID, y=bg2011$ID)
#attempt 1
eg2011cleaned <- subset(eg2011, ID != bg2011missingFromBeg)
#attempt 2
eg2011cleaned <- eg2011[!eg2011$ID %in% bg2011missingFromBeg]

Le premier essai élimine simplement la première valeur du vecteur setdiff résultant. Le deuxième essai cède et erreur lourde:

Error in `[.data.frame`(eg2012, !eg2012$ID %in% bg2012missingFromBeg) 
:  undefined columns selected
rsubsetr-faq
45
Zelbinian

Cela vous donnera ce que vous voulez:

eg2011cleaned <- eg2011[!eg2011$ID %in% bg2011missingFromBeg, ]

L'erreur dans votre deuxième tentative est parce que vous avez oublié le ,

En général, pour plus de commodité, la spécification object[index] sous-ensembles de colonnes pour un 2d object. Si vous souhaitez sous-définir les lignes et conserver toutes les colonnes, vous devez utiliser la spécification object[index_rows, index_columns], tandis que index_cols peut être laissé vide, ce qui utilisera toutes les colonnes par défaut.

Cependant, vous devez toujours inclure le , pour indiquer que vous souhaitez obtenir un sous-ensemble de lignes au lieu d'un sous-ensemble de colonnes.

66
adibender

Si vous souhaitez simplement sous-définir chaque trame de données par un index existant dans les deux trames de données, vous pouvez le faire avec la fonction 'match', comme suit:

data_A[match(data_B$index, data_A$index, nomatch=0),]
data_B[match(data_A$index, data_B$index, nomatch=0),]

Ceci est cependant identique à:

data_A[data_A$index %in% data_B$index,]
data_B[data_B$index %in% data_A$index,]

Voici une démo:

# Set seed for reproducibility.
set.seed(1)

# Create two sample data sets.
data_A <- data.frame(index=sample(1:200, 90, rep=FALSE), value=runif(90))
data_B <- data.frame(index=sample(1:200, 120, rep=FALSE), value=runif(120))

# Subset data of each data frame by the index in the other.
t_A <- data_A[match(data_B$index, data_A$index, nomatch=0),]
t_B <- data_B[match(data_A$index, data_B$index, nomatch=0),]

# Make sure they match.
data.frame(t_A[order(t_A$index),], t_B[order(t_B$index),])[1:20,]

#    index     value index.1    value.1
# 27     3 0.7155661       3 0.65887761
# 10    12 0.6049333      12 0.14362694
# 88    14 0.7410786      14 0.42021589
# 56    15 0.4525708      15 0.78101754
# 38    18 0.2075451      18 0.70277874
# 24    23 0.4314737      23 0.78218212
# 34    32 0.1734423      32 0.85508236
# 22    38 0.7317925      38 0.56426384
# 84    39 0.3913593      39 0.09485786
# 5     40 0.7789147      40 0.31248966
# 74    43 0.7799849      43 0.10910096
# 71    45 0.2847905      45 0.26787813
# 57    46 0.1751268      46 0.17719454
# 25    48 0.1482116      48 0.99607737
# 81    53 0.6304141      53 0.26721208
# 60    58 0.8645449      58 0.96920881
# 30    59 0.6401010      59 0.67371223
# 75    61 0.8806190      61 0.69882454
# 63    64 0.3287773      64 0.36918946
# 19    70 0.9240745      70 0.11350771
16
Dinre

Vraiment compréhensible par l'homme exemple (comme c'est la première fois que j'utilise% en%), comment comparer deux trames de données et ne conserver que les lignes contenant les mêmes valeurs dans une colonne spécifique:

# Set seed for reproducibility.
set.seed(1)

# Create two sample data frames.
data_A <- data.frame(id=c(1,2,3), value=c(1,2,3))
data_B <- data.frame(id=c(1,2,3,4), value=c(5,6,7,8))

# compare data frames by specific columns and keep only 
# the rows with equal values 
data_A[data_A$id %in% data_B$id,]   # will keep data in data_A
data_B[data_B$id %in% data_A$id,]   # will keep data in data_b

Résultats:

> data_A[data_A$id %in% data_B$id,]
  id value
1  1     1
2  2     2
3  3     3

> data_B[data_B$id %in% data_A$id,]
  id value
1  1     5
2  2     6
3  3     7
3
maycca

Selon les commentaires de la publication d'origine, les fusions/jointures sont bien adaptées à ce problème. En particulier, une jointure interne ne renverra que les valeurs présentes dans les deux cadres de données, rendant inutile l'instruction setdiff.

En utilisant les données de l'exemple de Dinre:

en base R:

cleanedA <- merge(data_A, data_B[, "index"], by = 1, sort = FALSE)
cleanedB <- merge(data_B, data_A[, "index"], by = 1, sort = FALSE)

tilisation du paquet dplyr:

library(dplyr)
cleanedA <- inner_join(data_A, data_B %>% select(index))
cleanedB <- inner_join(data_B, data_A %>% select(index))

Pour conserver les données sous forme de deux tables distinctes, chacune contenant uniquement ses propres variables, cela permet de sous-définir la table non désirée sur sa seule variable d'index avant la jointure. Ensuite, aucune nouvelle variable n'est ajoutée à la table résultante.

2
Sam Firke